何が起きたか

pi.websiteの研究記事で、Physical Intelligenceは「Hi Robot」を、上位の視覚言語モデルと下位の視覚言語行動モデルを組み合わせた二層推論の仕組みとして説明した。記事では、複雑な指示やその場の発話に応じて、ロボットが中間手順を自然言語で生成しながら行動する構成が示された。